RT info:eu-repo/semantics/bachelorThesis
T1 Elaboración de un modelo predictivo de supervivencia en glioblastomas mediante aprendizaje automático e imágenes de resonancia magnética
A1 Ramos García, Roberto
A2 Universidad de Valladolid. Facultad de Medicina
K1 Cerebro - Tumores
K1 Resonancia magnética
K1 Cirugia
K1 Glioblastoma
K1 Resección
K1 Radiómica
K1 3213.08 Neurocirugía
AB El Glioblastoma es el tumor primario cerebral más frecuente y con el peor pronóstico. La mediana de supervivencia es de 12 a 18 meses tras el diagnóstico a pesar del tratamiento oncológico adyuvante.El objetivo de nuestro estudio es desarrollar modelos predictivos de supervivencia pretratamiento, mediante análisis de clasificación y regresión, utilizando las características radiómicas de la resonancia magnética (RM), en combinación con algoritmos de aprendizaje automático.Hemos utilizado una muestra multi-institucional formada por un total de 1124 pacientes y sus estudios de RM preoperatoria, divididos en dos cohortes, una de entrenamiento y otra de prueba.Tras la extracción de características radiómicas de diversas subregiones tumorales y modalidades de RM del grupo de entrenamiento, realizamos una selección de variables aplicando una regresión LASSO (least absolute shrinkage and selection operator - operador de selección y reducción absoluta mínima) penalizada, y empleamos el grupo de prueba para evaluar el rendimiento de los modelos.Los resultados han mostrado una precisión del 61% y un área bajo la curva (AUC) de 0.75 en el modelo de clasificación entrenado utilizando el algoritmo XGBoost (Aumento de Gradiente Extremo). En la regresión, el modelo obtuvo un Índice C de 0.63 y un Spearman Rho de 0.45, indicando una moderada capacidad para predecir la supervivencia en días.De acuerdo con nuestros resultados, nuestros modelos de predicción de supervivencia emplean características de imagen reproducibles y sus resultados son generalizables dentro de la amplia muestra de pacientes utilizada. Futuras investigaciones deberán ser encaminadas a mejorar el rendimiento del modelo, y conseguir así elaborar una herramienta pronóstica potencialmente aplicable en la práctica clínica.
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/69173
UL https://uvadoc.uva.es/handle/10324/69173
LA spa
DS UVaDOC
RD 23-nov-2024